详细转换
最后更新
概述
转换
这里假设用于转换的模型已上传到 Hub。如果此步骤尚未完成,请参阅 模型上传 指南。
对于自定义模型,请尽可能优先上传 ONNX NN Archive 作为基础模型。源 NN Archive 作为模型张量元数据、预处理和可选后处理元数据 (
heads) 的事实来源,这使得转换流程更具可预测性,并且通常会生成一个无需手动编辑即可在 DepthAI 中使用的转换存档。如果您上传原始 ONNX 文件,Hub 可以从图中推断出部分张量结构,但无法推断训练时预处理选择或语义输出元数据,例如类名和解析器选择。选择目标平台
选择目标 
RVC 平台。可用目标取决于上传的基础模型格式。 实际上,基于 ONNX 的模型源在所有平台中提供最广泛的转换支持。
配置转换表单
查看预填充值并根据需要进行调整。 如果基础模型是原始 
ONNX 文件,请手动输入源模型输入设置。 如果基础模型是 ONNX NN Archive,请使用其 config.json 作为事实来源,并且仅在存档元数据不正确时更改值。请参阅下面的参考部分,了解每个字段的确切含义。
导出并确认结果
单击 Export 开始转换。 新的模型实例最初显示为 Pending,并在导出准备就绪时更改为 Success。 然后,您可以下载转换后的存档或通过 DepthAI 直接引用它。

参数参考
源模型输入设置
| 参数 | 类别 | 含义 |
|---|---|---|
Shape | 源模型 | 源模型所需的输入形状 |
Mean Values | 源模型 | 从输入中减去的每通道值 |
Scale Values | 源模型 | 减去均值后应用的每通道除数 |
Encoding From | 源模型 | 源模型所需的通道顺序 |
Encoding To | 导出模型 | 转换后的模型在运行时所需的通道顺序 |
平台和导出设置
| 参数 | 类别 | 含义 |
|---|---|---|
Model Instance Name | 导出模型 | Hub 中显示转换实例的名称 |
Ir version / Snpe version | 转换过程 | 目标转换格式或运行时版本 |
Disable Onnx Simplification | 转换过程 | 在转换期间禁用 ONNX 图简化 |
Mo Args | 转换过程 | RVC2 和 RVC3 的额外 OpenVINO 模型优化器参数 |
Compile Tool Args | 转换过程 | RVC2 的额外 OpenVINO 编译工具参数 |
POT Target Device | 转换过程 | RVC3 的 POT 目标设备 |
Convert to blob | 导出模型 | 为 RVC2 导出 .blob 而不是 .superblob |
量化设置
| 参数 | 类别 | 含义 |
|---|---|---|
Quantization Data | 转换过程 | 用于校准量化转换的数据集 |
Max Quantization Images | 转换过程 | 量化期间使用的最大图像数量 |
Target Precision | 转换过程 | RVC4 的精度目标,例如 FP16 或 INT8 |
- Driving - 街道和车辆图像(OIv7 类,如 Vehicle、Car、Traffic light 等)
- Food - 水果、蔬菜、生食和熟食图像(OIv7 类,如 Apple、Salad、Pizza 等)
- General - OIv7 图像的随机子集,代表各种对象和场景
- Indoors - 室内空间图像(OIv7 类,如 Table、Chair、Fireplace 等)
- Random - 随机像素图像
- Warehouse - 仓库内部图像(叉车-1 图像的随机子集)
在转换过程中,源预处理嵌入到导出的模型结构中。通常建议以一种方式填充相关参数(Scale Values、Mean Values 和 Encoding),以便转换后的模型期望 BGR 输入,而无需任何额外的缩放或均值偏移。预处理操作的顺序是:
- 反转输入通道;
- 减去均值;
- 除以比例值。
input = (input / 255.0 - mean) / std 并且您的运行时输入是 [0,255] 范围内的 8 位图像,请输入 Mean Values = 255 * mean 和 Scale Values = 255 * std。对于标准 ImageNet RGB 归一化,这意味着 Mean Values = [123.675, 116.28, 103.53] 和 Scale Values = [58.395, 57.12, 57.375]。在 RGB 和 BGR 之间切换时,不要交换均值和比例值。仅重新排序通道以匹配原始源模型编码。几何预处理(例如调整大小、裁剪或信箱)仍然是您在运行时的责任,因此您的输入管道仍然需要与模型的原始预处理匹配。原始 ONNX 与 ONNX NN Archive
| 起始点 | Hub 可以自动确定什么 | 您仍然需要定义什么 |
|---|---|---|
原始 ONNX | 图中的张量结构 | 训练时预处理选择和语义输出元数据,例如类名和解析器配置 |
ONNX NN Archive | config.json 中的张量元数据、预处理和可选 heads 元数据 | 导出选择,例如目标平台和转换特定选项 |
ONNX NN Archive 开始,通常不应手动编辑导出的存档。 导出的存档预计与源存档不同。 例如,模型路径从 model.onnx 更改为编译工件,例如 .superblob、.blob 或 .dlc,并且 mean / scale 可以变为 null,因为预处理已烘焙到编译模型中。故障排除
打开失败的转换作业
在 Failed Conversions 部分找到失败的作业并打开它。

下载或检查日志
使用右上角的 Logs 按钮下载日志,或直接在页面上检查 Conversion process logs 部分。

如果导出失败,需要对模型或使用的转换参数进行更正。有关更多信息,请参阅 转换故障排除 页面。
